قوانین فیزیک به کمک هوش مصنوعی می‌آیند

تاریخ انتشار : ۱۳۹۸/۱۲/۰۳

قوانین فیزیک صرف‌نظر نقطه‌ی دید افراد، یکسان باقی می‌مانند. درنتیجه براساس این اصل، کامپیوترها می‌توانند مشخصات فضاهای منحنی یا فضاهایی با ابعاد بیشتر را شناسایی کنند.

امروزه کامپیوترها می‌توانند خودروها را هدایت کنند، قهرمان‌های جهان را در بازی‌های تخته‌ای مانند شطرنج و Go شکست دهند و حتی نثرهای ادبی بنویسند. بخش زیادی از تحولات هوش مصنوعی به نوع مشخصی از شبکه‌های عصبی مصنوعی وابسته‌اند با الهام از لایه‌های نورون در کورتکس بینایی پستانداران طراحی شده است. توانایی شگفت‌انگیز «شبکه‌های عصبی هم‌گشتی» (CNN-ها) در الگوهای یادگیری داده‌های دوبعدی به‌ویژه در عملیات بینایی کامپیوتر از جمله تشخیص کلمات دست‌نوشته و تشخیص اشیاء در تصاویر دیجیتالی، ثابت شده است.

اما پیاده‌سازی معماری قدرتمند یادگیری ماشین در مجموعه‌های داده‌ای بدون درنظرگرفتن هندسه‌ی مسطح نتیجه‌ی خوبی نخواهد داشت. هندسه‌ی مسطح به مدل‌هایی از اشکال نامنظم گفته می‌شود که در انیمیشن‌های کامپیوتری سه‌بعدی یا ابرهای نقطه‌ای کاربرد دارند که توسط خودروهای خودران برای نقشه‌برداری از محیط اطراف ساخته می‌شوند. در سال ۲۰۱۶، روش جدیدی به‌نام یادگیری عمیق هندسی با هدف خارج کردن CNN-ها از حالت مسطح، ظهور کرد.

یکی از دستاوردهای موفقیت‌آمیز روش‌های جدید یادگیری ماشین، شناسایی دقیق تومورها در سی‌دی اسکن از این روش‌ها می‌توان روزی برای بهبود تشخیص‌های پزشکی استفاده کرد.

امروزه، پژوهشگرها موفق به ارائه‌ی چارچوب جدید تئوری برای ساخت شبکه‌های عصبی شده‌اند. این شبکه‌ها می‌توانند روی انواع سطوح هندسی به یادگیری الگو بپردازند. این شبکه‌ها که با عنوان CNN-های پیمانه‌ای هم شناخته می‌شوند، قادر به تشخیص الگوها در آرایه‌‌ پیکسل‌های دوبعدی و اشیای منحنی نامتقارن و کروی هستند. تاکو کوهن، ماری ویلر، برکی کیکاناگلو و مکس ویلینگ از توسعه‌دهندگان شبکه‌های عصبی همگشتی هستند. ویلینگ می‌گوید: «این چارچوب، پاسخی قطعی به مسئله یادگیری عمیق روی سطوح منحنی است.»

عملکرد CNN-های پیمانه‌ای در یادگیری الگو از داده‌های شبیه‌سازی‌شده‌ی جوی به طرز چشمگیری از شبکه‌های عصبی گذشته بهتر است. داده‌های جوی معمولا روی سطوح کروی نگاشته می‌شوند. الگوریتم‌های یادشده همچنین برای بهبود دید پهپادها و وسایل خودکاری که اشیای سه‌بعدی را زیر نظر دارند و برای شناسایی الگو در داده‌های سطوح منحنی نامنظم قلب، مغز و دیگر اعضای بدن، عملکرد سودمندی دارند.

راه‌حل پژوهشگرها برای عملکرد یادگیری عمیق فراتر از سطوح تخت، ارتباط عمیقی با دانش فیزیک دارد. نظریه‌های فیزیکی مانند نظریه‌ی نسبیت عام آلبرت اینشتین و مدل استاندارد فیزیک ذرات برای توصیف جهان به کار رفته‌اند. این نظریه‌ها دارای خصوصیتی به‌نام «هم وردایی پیمانه‌ای» (gauge equivariance)هستند. هم وردایی پیمانه‌ای یعنی کمیت‌های جهان و روابط آن‌ها به چارچوب‌های دلخواه مرجع («پیمانه‌ها») بستگی ندارند؛ بلکه صرف ‌نظر از حرکت یا ایستایی ناظر یا فاصله‌ی اعداد روی خط‌کش، ثابت می‌مانند. اندازه‌گیری‌های پیمانه‌های مختلف باید قابل تبدیل به یکدیگر باشند به‌طوری‌که روابط بنیادی بین اشیا حفظ شود.

برای مثال، اندازه‌گیری طول زمین فوتبال را براساس یارد در نظر بگیرید، سپس دوباره آن را براساس متر اندازه‌گیری کنید؛ اعداد به شیوه‌ای قابل پیش‌بینی تغییر خواهند کرد. به‌طور مشابه، فرض کنید دو عکاس از دو نقطه‌ی متفاوت عکس می‌گیرند و خروجی‌های متفاوتی را تولید می‌کنند، اما می‌توان دو تصویر را به یکدیگر ربط داد. هم‌وردایی پیمانه‌ای، سازگاری مدل‌های فیزیکی واقعی را صرف‌نظر از پرسپکتیو یا واحدهای اندازه‌گیری آن‌ها تضمین می‌کند. CNN-های پیمانه‌ای هم دقیقا چنین فرآیندی را روی داده‌ها اجرا می‌کنند. کایل گرانمر، فیزیکدان دانشگاه نیویورک، از یادگیری ماشین برای داده‌های فیزیک ذرات استفاده می‌کند. او می‌گوید: در فیزیک هیچ جهت‌گیری خاصی وجود ندارد و هدف، رسیدن به نتیجه‌ی مشابهی برای شبکه‌های عصبی است؛ و حالا روش مناسبی برای رسیدن به این نتیجه ابداع شده است.

برچسب ها :
دسته بندی ها :

دیدگاه ها بسته شده اند.

برخی از مشتریان